MIGUEL SANTAMARÍA LANCHO
Palabras clave: Inteligencia Artificial Generativa, formadores, Indecopi, CUED
Introducción
El pasado 30 de abril, Miguel Santamaría, integrante de la Cátedra UNESCO de Educación a Distancia de la UNED impartió un webinar dirigido a expertos y profesionales del Indecopi (Instituto Nacional de Defensa de la Competencia y de la Protección de la Propiedad Intelectual) del Perú. Estos profesionales y expertos se desempeñan también como formadores de la Escuela de Indecopi, que desarrolla acciones formativas de diverso tipo en ámbito de las competencias del Instituto.
Durante el webinar se mostraron las potenciales de la IA generativa como apoyo en el diseño instruccional, la generación de materiales didácticos y el diseño de actividades de aprendizaje.
Caso práctico de generación de una actividad formativa con IA
Para ejemplificar las posibilidades de la IA, durante el webinar, se presentó un caso práctico consistente en generar una actividad formativa en línea a partir de un ciclo de conferencias del Indecopi sobre prácticas de competencia desleal en el Perú. Las conferencias se hayan publicadas en el canal del Indecopi en Youtube. Además, se utilizó la legislación peruana sobre prácticas de competencia desleal.
El objetivo era mostrar como a partir de un ciclo de conferencias que de por sí no puede ser considerado como una acción formativa, sino como material de aprendizaje, puede generarse con cierta facilidad una acción formativa, entendiendo por tal aquella que cuenta con: diseño instruccional, materiales didácticos y actividades formativas y de evaluación.
El apoyo de la IA puede ser de gran utilidad para que profesionales y expertos que no cuenten con formación pedagógica puedan diseñar acciones formativas contando con la experiencia de diseñadores instruccionales volcada en “prompts”.
Modelos de IA generativa: modelos GPT versus modelos RAG
Para el diseño de la actividad formativa se utilizó un modelo de inteligencia artificial generativa tipo RAG (Retrieval-Augmented Generation), si bien los modelos más conocidos son del tipo GPT (Generative Pre–trained Transformer), los modelos tipo RAG presentan grandes ventajas para su aplicación educativa.
La principal diferencia entre uno y otro tipo de modelos es que los modelos GPT son capaces de generar información, sin que el usuario les aporte información. Lo hacen a partir de la información que han recibido durante su fase de entrenamiento. Esto permite que cuando accedemos a cualquiera de estos modelos como ChatGPT, Gemini, Claude, DeepSeek, etc. podamos formular preguntas sobre cualquier tema y recibir una respuesta, sin que ello requiera por nuestra parte mayor esfuerzo. Esto implica una gran facilidad de uso, pero tiene como contrapartida el que no siempre sepamos en que información se basa la respuesta obtenida o que esta incluya alguna de las llamadas “alucinaciones” de la IA.
Frente a esto, los modelos RAG (Retrieval-Augmented Generation) generan información solo a partir de las fuentes que previamente se le han suministrado. Es decir, un modelo RAG no puede responder a ninguna pregunta si previamente no se le ha suministrado alguna fuente de información, pero, una vez que se ha hecho esto, las respuestas que se obtienen están siempre basadas y referenciadas a las fuentes suministradas.
Esto supone una clara ventaja en el ámbito de la educación y la formación en general, pues permiten a las personas que diseñan la formación acotar, verificar y validar las fuentes de información. Las ventajas pedagógicas de los modelos RAG se concretan en:
- Respuestas precisas, contextualizadas y alineadas con el currículo y materiales del curso.
- Se actualizan al incorporar nuevas fuentes
- Permiten al docente generar materiales y actividades alineadas con las fuentes de información seleccionadas
- Permiten a los estudiantes un aprendizaje autónomo, ya que proporcionan, resúmenes, mapas conceptuales, preguntas de autoevaluación, etc.
En la siguiente tabla se muestran las diferencias entre los modelos GPT y RAG
Tabla 1. Comparativa de las características de los modelos GPT versus los modelos RAG
En función de estas diferencias cada uno de ellos tiene aplicaciones específicas en las que proporciona un mejor rendimiento
Tabla 2. Aplicaciones prácticas de cada modelo
NotebookLM
La aplicación más popular de IA basada en un modelo RAG es NotebookLM, una aplicación de Google, que se puede utilizar de manera gratuita y que solo requiere disponer de una cuenta de Google (Gmail, GDrive) etc. Esta ha sido la aplicación utilizada para desarrollar el caso práctico de diseño de una actividad formativa para los formadores del Indecopi.
En la siguiente imagen se muestra la interface de un cuaderno de NotebookLM. Está dividido en tres columnas. La de la izquierda incluye las fuentes incorporadas. El de la derecha incluye el chat a través del cual podemos interactuar con las fuentes, mediante prompts o instrucciones sencillas, como, por ejemplo: “genera un resumen que integre y ordene el contenido de las fuentes seleccionadas”. Cuando se utilizan prompts extensos, como los desarrollados para este caso práctico, puede subirse el texto del prompt como fuente. En este caso la instrucción que se introduce en el chat podría ser del tipo: “Sigue las instrucciones del prompt seleccionado como fuente, para generar una guía didáctica a partir del contenido de las fuentes seleccionadas.”
Los resultados obtenidos pueden guardarse como notas, que a su vez pueden ser convertidas en fuentes, como se indicará más abajo. Además, desde la ventaja del chat podemos generar “Resúmenes de audio” en formato podcast a partir de las fuentes seleccionadas (actualmente hay disponibles 50 idiomas entere los que se encuentran (español de España, español de Latinoamérica, catalán, euskera, gallego, portugués de Portugal y portugués de Brasil) o mapas conceptuales.
Ilustración 1. Interfaz de un cuaderno de NotebookLM
Finalmente, la tercera columna se denomina “Studio” en ella se almacenan las resultados obtenidos y convertidos en “Notas” y se pueden obtener también directamente “Guías de estudio” distintas a las obtenidas con prompt utilizado en este caso práctico, ya que solo incluyen un resumen del contenido de las fuentes y preguntas abiertas de reflexión sobre su contenido, Documentos de resumen y cronologías.
En cuanto a las fuentes que se pueden incorporar se encuentran:
- Archivos subidos desde el ordenador en formato pdf.
- Archivos de Google drive (documentos de texto o presentaciones mediante enlace).
- Vídeos de YouTube (proporcionando el enlace a YouTube la transcripción del video se incorpora como fuente).
- Pegar texto plano.
Recientemente, se ha incorporado la opción de “Descubrir fuentes” esto se hace mediante una conexión interna a Gemini 2.5 que da como resultado un listado de fuentes que podemos incorporar o no a las nuestras. Se ha observado que esta conexión con Gemini 2.5 puede incorporar en las respuestas de Notebook información externa a la fuente, pero, al menos en los casos observados, se incluye una advertencia de que la información es ajena a las fuentes seleccionadas.
Pasos en la utilización de un modelo de IA generativa tipo RAG
1.- Selección de fuentes. En este caso se partió de las siguientes fuentes:
- Cuatro vídeos de 1 hora de duración de conferencias dictadas en el Indecopi y publicadas en YouTube.
- Las leyes y decretos que regulan en el Perú la lucha contra la competencia desleal.
Aquí es donde interviene la experiencia y el criterio del experto en el tema del curso o acción formativa.
2.- Generación de prompts para transformar las fuentes en diversos documentos y materiales formativos. Se diseñaron los siguientes prompts para:
- – Generar un Syllabus o Guía didáctica o de estudio (resultados de aprendizaje, sistema de evaluación, metodología y matriz de alineamiento del diseño instruccional).
- – Elaborar materiales formativos tipo texto adaptados al autoaprendizaje a partir de las fuentes.
- – Preparar un cuestionario con preguntas de opción múltiple, incluyendo el código para exportar a Moodle.
- – Diseñar casos prácticos de diferente nivel de dificultad sobre prácticas de competencia desleal en Perú.
- – Proporcionar feedback a los estudiantes una vez que hubieran respondido a los casos de estudio.
- Como puede verse los prompts respondían a cada una de las fases que requiere el diseño de una acción formativa.
Aquí es donde la experiencia de expertos en diseño instruccional puede volcarse en forma de prompts.
3.- Utilización de los prompt interactuando con las fuentes para obtener guías didácticas, materiales de estudio, actividades, feedback, etc.. En este paso es donde el responsable de la acción formativa genera los materiales que le pueden apoyar y servir de base para elaborar la acción formativa.
La ventaja de utilizar un modelo RAG radica en que toda la información generada: la guía didáctica, el contenido de los materiales, y las actividades están alineadas con las fuentes seleccionadas, todas ellas provenientes o bien del Indecopi o de la legislación peruana o validadas por un experto.
Finalmente, en la tabla siguiente se muestran ejemplos de los resultados obtenidos mediante la aplicación de los prompts anteriores a las fuentes aportadas al modelo.
Ha de señalarse que los materiales generados por la IA solo son el punto de partida del trabajo de los expertos en el contenido, que son los responsables de validar, completar y desarrollar estos materiales antes de ser facilitados a las personas que participan en la acción formativa. Los ejemplos que se muestran a continuación han de ser considerados solo como un apoyo al trabajo de los formadores.
En la tabla se incluyen las fuentes utilizadas para obtener cada uno de los materiales. Como puede verse hay tres tipos de fuentes:
- Fuentes primarias: vídeos de Indecopi y legislación peruana.
- Fuentes generadas por NotebookLM (guía didáctica, módulo), que, al ser incorporadas como fuentes, permiten generar otros materiales. Por ejemplo, el texto didáctico del módulo 2 generado por la IA se ha incorporado como fuente para generar preguntas de respuesta múltiple sobre su contenido.
- Prompt desarrollados por el autor del webinar.
| Fuentes utilizadas | Materiales generados |
· Videos de Indecopi en YouTube · Legislación peruana · Prompt guía didáctica | Guía didáctica para un curso en línea sobre prácticas de competencia desleal en Perú |
· Videos de Indecopi en YouTube · Legislación peruana · Guía didáctica · Prompt generación material escrito. | Módulo 2 del curso. Material escrito diseñado para el auto-apredizaje |
· Videos de Indecopi en YouTube · Legislación peruana · Guía didáctica · Módulo 2 · Prompt cuestionario | Cuestionario con preguntas de opción múltiple que incluyen feedback para cada alternativa de respuesta y código GIFT para su exportación a Moodle |
· Videos de Indecopi en YouTube · Legislación peruana · Guía didáctica · Módulo 2 · Prompt Caso práctico | Caso práctico. Sabor confundido: ¿Nuevo restaurante se aprovecha del prestigio ajeno? |
· Videos de Indecopi en YouTube · Legislación peruana · Guía didáctica · Módulo 2 · Prompt Feedback | Retroalimentación a la respuesta a un caso práctico de una persona participante en el curso |
El caso práctico presentado en el webinar muestra como cuando los conocimientos y experiencia de diseñadores instruccionales se vuelca en prompts y estos son utilizados por expertos en un tema sin formación pedagógica, los resultados pueden ser de una gran utilidad como apoyo al diseño de acciones formativas.
- Profesor Titular Universidad
- Economía Aplicada e Historia Económica
- Facultad de Ciencias Económicas y Empresariales
Cómo referenciar esta entrada:
Santamaría Lancho, M. (01/07/2025). Formar en la era de la IA: aplicaciones de la inteligencia artificial en la enseñanza y el aprendizaje. Blog CUED https://blogs.uned.es/cued/blog/
MIGUEL SANTAMARÍA LANCHO
Su actividad se ha desplegado en diversos ámbitos en torno a la innovación docente aplicada tanto a su propia docencia, por los que ha recibido diversos premios, como a proyectos de fortalecimiento institucional y de consultoría con universidades e instituciones de América Latina, para el diseño e implementación de sistemas de formación y capacitación en línea y entornos híbridos. En la UNED ha desempeñado diversos cargos de gestión relacionados con la formación del profesorado, la producción de contenidos para entornos virtuales, el impulso institucional de la Innovación Docente, la adaptación metodológica al EEES y la implantación y desarrollo de sistemas internos de garantía de calidad.